WEBVTT

00:00:01.280 --> 00:00:05.120
今天的计算机算法，
正在使用类似人类的智能，

00:00:05.120 --> 00:00:09.946
大规模的执行具有高精度的，
不可思议的任务。

00:00:09.946 --> 00:00:13.896
而这种计算机智能，通常被称为AI，

00:00:13.896 --> 00:00:15.786
或“人工智能”。

00:00:15.786 --> 00:00:19.960
人工智能有望在未来对我们的生活
产生令人难以置信的影响。

00:00:20.880 --> 00:00:24.916
然而今天，在检测和诊断
几种危及生命的疾病，

00:00:24.916 --> 00:00:28.386
比如传染病和癌症时，

00:00:28.386 --> 00:00:30.720
我们仍然面临着大量的挑战。

00:00:32.000 --> 00:00:34.346
每年，数以千计的病人

00:00:34.346 --> 00:00:37.120
因患上肝癌和口腔癌失去生命。

NOTE Paragraph

00:00:37.880 --> 00:00:40.560
帮助病人最好的方式

00:00:40.560 --> 00:00:44.920
就是对这些疾病进行
早期检测和诊断。

00:00:45.880 --> 00:00:50.040
那么，今天我们如何检测这些疾病？
AI可以提供帮助吗？

00:00:51.920 --> 00:00:55.546
对于不幸被怀疑
患有这些疾病的患者，

00:00:55.546 --> 00:00:58.286
专家医师会先要求他们照射

00:00:58.286 --> 00:01:00.890
非常昂贵的医疗图像，

00:01:00.890 --> 00:01:04.990
例如荧光成像，CT，MRI等。

00:01:04.990 --> 00:01:07.326
收集到这些图像之后，

00:01:07.326 --> 00:01:11.880
另一位专家医师会进行诊断，
并与患者交流。

00:01:12.520 --> 00:01:15.986
显而易见，这是个
非常耗费资源的过程，

00:01:15.986 --> 00:01:20.436
需要两位专家医师
和昂贵的医学图像技术。

00:01:20.440 --> 00:01:23.510
这在发展中国家被认为并不实用，

00:01:23.510 --> 00:01:26.920
事实上，在许多
工业化国家也是如此。

NOTE Paragraph

00:01:27.760 --> 00:01:30.640
那么，我们能够用
人工智能解决这个问题吗？

00:01:31.840 --> 00:01:35.936
今天，如果使用传统的
人工智能架构

00:01:35.936 --> 00:01:37.140
来解决这个问题，

00:01:37.140 --> 00:01:38.626
我可能需要1万张——

00:01:38.626 --> 00:01:42.640
我重复一次，我首先需要
生成1万张这种非常昂贵的

00:01:42.640 --> 00:01:44.060
医学图像。

00:01:44.060 --> 00:01:47.036
之后，我会去找一位专业医师

00:01:47.036 --> 00:01:49.500
为我分析这些图像。

00:01:49.500 --> 00:01:51.640
利用这两条信息，

00:01:51.640 --> 00:01:55.320
我可以训练标准的深度神经网络，
或深度学习网络

00:01:55.320 --> 00:01:57.516
对患者进行诊断。

00:01:57.516 --> 00:01:59.250
与第一步相似，

00:01:59.250 --> 00:02:01.417
传统人工智能方法

00:02:01.417 --> 00:02:02.906
遭遇了同样的问题：

00:02:02.906 --> 00:02:07.440
那就是需要大量的数据、
专家医师和专业的医疗图像技术。

NOTE Paragraph

00:02:08.344 --> 00:02:12.634
我们是否能够创造出一种
规模更大、更有效率、

00:02:12.634 --> 00:02:15.960
同时更有价值的人工智能架构，

00:02:15.960 --> 00:02:19.016
来解决我们今天面临的
这些重要的问题呢？

00:02:19.016 --> 00:02:22.312
而这就是我们的团队
在MIT媒体实验室所研究的内容。

00:02:22.312 --> 00:02:26.134
我们开发了各种新型AI架构，

00:02:26.134 --> 00:02:29.440
来解决一些我们当今
在医疗图像和临床试验中

00:02:29.440 --> 00:02:31.770
面临的最重要的挑战。

NOTE Paragraph

00:02:32.480 --> 00:02:35.520
在我今天分享的例子中，
包括了我们的两个目标。

00:02:35.520 --> 00:02:38.536
第一个目标，是减少
用来训练人工智能算法

00:02:38.536 --> 00:02:41.780
所需要的图片数量。

00:02:41.780 --> 00:02:43.976
第二个目标——更大的志向，

00:02:43.976 --> 00:02:47.690
我们希望让患者减少使用昂贵的

00:02:47.690 --> 00:02:48.880
医疗图像技术。

00:02:48.880 --> 00:02:50.160
那么我们是怎样做的？

NOTE Paragraph

00:02:50.920 --> 00:02:52.166
我们的第一个目标，

00:02:52.166 --> 00:02:54.130
相比于传统AI

00:02:54.130 --> 00:02:57.240
从成千上万张昂贵的医疗图像开始，

00:02:57.240 --> 00:02:59.310
我们选择从单张图像开始。

00:02:59.310 --> 00:03:03.120
根据这张图片，
我和我的团队想出了

00:03:03.120 --> 00:03:05.890
一种非常聪明的方法
来提取数十亿个信息包。

00:03:05.890 --> 00:03:09.686
这些信息包包含颜色、像素、形态

00:03:09.686 --> 00:03:12.160
和疾病呈现在医疗图像上的效果。

00:03:12.160 --> 00:03:16.566
这样一来，我们就将一张图像
转换成了数十亿个训练数据点，

00:03:16.566 --> 00:03:20.136
需要训练的数据量就大大减少了。

NOTE Paragraph

00:03:20.136 --> 00:03:21.304
第二个目标，

00:03:21.304 --> 00:03:25.210
是减少对患者使用医疗图像技术。

00:03:25.210 --> 00:03:28.060
最开始，我们会从
数码单反相机或手机中

00:03:28.060 --> 00:03:32.450
获取一张标准的白色光线照片。

00:03:32.450 --> 00:03:34.930
然后，还记得那
数十亿个信息包吗？

00:03:34.930 --> 00:03:38.460
将这些医疗图像的信息包
覆盖在这张图片上，

00:03:38.460 --> 00:03:41.040
这时我们就创建了一张合成图像。

00:03:41.480 --> 00:03:44.760
令人惊讶的是，我们只需要50张——

00:03:44.760 --> 00:03:46.110
强调一下，仅仅50张——

00:03:46.110 --> 00:03:50.000
这些复合图像，
就能训练我们的算法提高效率。

NOTE Paragraph

00:03:50.680 --> 00:03:52.066
总结一下我们的方法，

00:03:52.066 --> 00:03:55.180
区别于用1万张昂贵的
医疗图像训练AI算法，

00:03:55.180 --> 00:03:58.240
我们使用了一种全新的方式，

00:03:58.240 --> 00:04:02.510
只需要将数码相机或手机拍摄的

00:04:02.510 --> 00:04:05.096
50张高分辨率的标准照片，

00:04:05.096 --> 00:04:06.640
即可提供诊断。

00:04:06.640 --> 00:04:07.840
更重要的是，

00:04:07.840 --> 00:04:11.000
在未来，甚至现在，
我们的算法可以接受

00:04:11.000 --> 00:04:13.850
一些病人自己拍摄的白光照片，

00:04:13.850 --> 00:04:16.320
来替代昂贵的医疗图像技术。

NOTE Paragraph

00:04:17.120 --> 00:04:20.180
我相信，我们已经准备好
进入这样一个时代，

00:04:20.180 --> 00:04:22.160
人工智能

00:04:22.160 --> 00:04:24.730
正在对我们的未来产生
不可思议的影响。

00:04:24.730 --> 00:04:27.210
我也认为相比拥有丰富数据

00:04:27.210 --> 00:04:30.046
但应用困难的传统AI，

00:04:30.046 --> 00:04:31.560
我们应该不断思考

00:04:31.560 --> 00:04:34.610
非传统的人工智能架构。

00:04:34.610 --> 00:04:36.560
它们能够接受少量数据，

00:04:36.560 --> 00:04:39.510
并解决一些今天
我们所面临的重要问题，

00:04:39.510 --> 00:04:40.810
特别是在医疗健康方面。

NOTE Paragraph

00:04:40.810 --> 00:04:42.030
非常感谢。

NOTE Paragraph

00:04:42.030 --> 00:04:45.920
（掌声）